摘要：工業(yè)互聯(lián)網(wǎng)是新一代網(wǎng)絡(luò )信息技術(shù)與制造業(yè)深度融合的產(chǎn)物，是經(jīng)濟轉型升級的關(guān)鍵依托和重要途徑。邊緣計算是支持工業(yè)互聯(lián)網(wǎng)的關(guān)鍵技術(shù)。本文首先說(shuō)明了邊緣計算在工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展過(guò)程中的重要意義，然后分別從邊緣計算的發(fā)展歷程、邊緣端智能化方法和邊緣計算平臺三方面介紹了工業(yè)互聯(lián)網(wǎng)邊緣計算近年來(lái)的研究現狀，最后指明了工業(yè)互聯(lián)網(wǎng)邊緣計算在今后發(fā)展中尚待解決的關(guān)鍵問(wèn)題。

關(guān)鍵詞：工業(yè)互聯(lián)網(wǎng)；智能制造；邊緣計算

1 工業(yè)互聯(lián)網(wǎng)邊緣計算研究的重要意義

1.1 工業(yè)互聯(lián)網(wǎng)是先進(jìn)制造業(yè)轉型升級的關(guān)鍵

工業(yè)互聯(lián)網(wǎng)[1]是連接工業(yè)設備和生產(chǎn)的網(wǎng)絡(luò )，智能化生產(chǎn)、網(wǎng)絡(luò )化協(xié)同、個(gè)性化定制和服務(wù)化轉型是工業(yè)互聯(lián)網(wǎng)的核心內容。作為新型工業(yè)化的基礎設施和智能制造的關(guān)鍵使能技術(shù)，工業(yè)互聯(lián)網(wǎng)已經(jīng)成為全球制造業(yè)搶占的新一輪制高點(diǎn)。

2012年，美國通用電氣公司首先提出了工業(yè)互聯(lián)網(wǎng)概念，此后工業(yè)互聯(lián)網(wǎng)在世界范圍內得到了廣泛發(fā)展。目前工業(yè)互聯(lián)網(wǎng)以德國“工業(yè)4.0平臺”、美國“工業(yè)互聯(lián)網(wǎng)聯(lián)盟”為典型代表，同時(shí) 工業(yè)互聯(lián)網(wǎng)作為我國智能制造發(fā)展的重要支撐已經(jīng)得到了國家的高度認可與重視，“十三五”規劃、制造強國、“互聯(lián)網(wǎng)+”等重大戰略都明確提出發(fā)展工業(yè)互聯(lián)網(wǎng)，如圖1所示。

圖1 工業(yè)互聯(lián)網(wǎng)戰略規劃

1.2 邊緣計算是實(shí)現工業(yè)互聯(lián)網(wǎng)創(chuàng )新應用的關(guān)鍵

實(shí)現工業(yè)互聯(lián)網(wǎng)的創(chuàng )新應用，如智能化生產(chǎn)、網(wǎng)絡(luò )化協(xié)同、個(gè)性化定制和服務(wù)化轉型等并非易事。物聯(lián)網(wǎng)技術(shù)的發(fā)展雖然豐富了數據采集的手段，但隨之而來(lái)的海量數據也對工業(yè)系統的實(shí)時(shí)性等問(wèn)題提出了新的挑戰。

目前基于視覺(jué)引導的裝配機器人得到了廣泛的應用，但是個(gè)性化定制過(guò)程對裝配機器人提出了更高的要求。如圖2所示，在實(shí)時(shí)性方面，個(gè)性化定制系統對于裝配機器人的空間定位、目標識別、軌跡規劃的實(shí)時(shí)性要求高，部分情況的場(chǎng)景需要在10毫秒以?xún)?。工業(yè)現場(chǎng)產(chǎn)生大量數據的實(shí)時(shí)處理需求，單個(gè)攝像頭1080p格式視頻在4Mbps碼率下每天產(chǎn)生330G的視頻數據，完 全傳輸至云端需要占用大量帶寬，并產(chǎn)生較大的時(shí)延， 如果數據分析和控制都在云端進(jìn)行，則難以滿(mǎn)足業(yè)務(wù)實(shí)時(shí)性的要求。同時(shí)，采用目前流行的深度學(xué)習相關(guān)技術(shù)后，視頻處理的計算復雜度很高。分類(lèi)用AlexNet分析224×224大小的圖像需要720MFLOPs計算量，主流邊  緣設備（使用酷睿i5 CPU）需要1秒左右，而實(shí)際生產(chǎn)過(guò)程常用的ResNet50計算量是AlexNet的數十倍，無(wú)法保證應用的實(shí)時(shí)性。

圖2 工業(yè)互聯(lián)網(wǎng)邊緣計算的基本思想及面對的挑戰

邊緣計算的提出為解決上述問(wèn)題提供可能。邊緣計算是在靠近物或數據源頭的網(wǎng)絡(luò )邊緣側就近提供邊緣智能服務(wù)，滿(mǎn)足行業(yè)數字化在敏捷聯(lián)接、實(shí)時(shí)業(yè)務(wù)、數據優(yōu)化、應用智能、安全與隱私保護等方面的關(guān)鍵需求。因此，邊緣計算是實(shí)現工業(yè)互聯(lián)網(wǎng)智能化生產(chǎn)、網(wǎng)絡(luò )化協(xié)同、個(gè)性化定制和服務(wù)化轉型等創(chuàng )新應用的關(guān)鍵。2017年，施巍松等[2]從數據處理的角度論述了研究面向網(wǎng)絡(luò )邊緣設備所產(chǎn)生海量數據計算的邊緣式大數據處理的必要性、研究現狀及所面臨的挑戰，并指出邊緣計算模式能夠有效應對邊緣式大數據處理時(shí)代下，云計算模型無(wú)法有效解決的云中心負載、傳輸帶寬、數據隱私保護等問(wèn)題。2017年，Satyanarayanan等[3]指出近幾年工業(yè)界和學(xué)術(shù)界在邊緣計算上的投入呈現迅猛增長(cháng)，并指出這種新型技術(shù)能夠為移動(dòng)計算提供高響應云服務(wù)，使物聯(lián)網(wǎng)具備可擴展性并提供有效的隱私保護策略和掩蓋云服務(wù)短暫中斷的能力。

邊緣計算強調網(wǎng)絡(luò )邊緣上的計算和存儲，無(wú)論在地理距離還是網(wǎng)絡(luò )距離上都更貼近用戶(hù)。相比于云計算， 邊緣計算更能夠緩解網(wǎng)絡(luò )帶寬與數據中心的壓力、增強服務(wù)的響應能力并實(shí)現對隱私數據的保護，提升數據的安全性，已經(jīng)成為研究界和產(chǎn)業(yè)界普遍關(guān)注的焦點(diǎn)，被用于建立多個(gè)領(lǐng)域的應用系統。如，在拼車(chē)服務(wù)中建立的基于邊緣計算的攻擊檢測系統[4]、在關(guān)注延遲的邊緣 計算平臺上建立的視頻分析系統[5]、基于邊緣計算的工業(yè)機器人系統[6]以及跨越無(wú)人駕駛和有人駕駛能夠進(jìn)行 情境感知的共享實(shí)時(shí)信息系統[7]等。由于邊緣節點(diǎn)負責 直接處理來(lái)自物理環(huán)境的實(shí)時(shí)信息，為終端用戶(hù)/設備 提供快速、及時(shí)的響應，顯然，實(shí)現并提升邊緣端智能對有效提升邊緣計算應用的整體智能化水平和工作效率至關(guān)重要。

2 工業(yè)互聯(lián)網(wǎng)邊緣計算研究現狀

2.1 邊緣計算發(fā)展歷程

雖然2003年IBM就開(kāi)始提供基于Edge的服務(wù)，但直到2014年以后，隨著(zhù)物聯(lián)網(wǎng)技術(shù)、5G技術(shù)和人工智能的發(fā)展，邊緣計算才蓬勃發(fā)展起來(lái)。邊緣計算的發(fā)展如圖3所示。

圖3 邊緣計算的發(fā)展歷程

工業(yè)互聯(lián)網(wǎng)智能制造邊緣計算也受到了國家各部委的高度重視。工信部在2017年和2018年連續設立了一系列智能制造綜合標準化與新模式應用項目。2017年中國科學(xué)院沈陽(yáng)自動(dòng)化研究所承擔的工信部智能制造綜合標準化與新模式應用項目“工業(yè)互聯(lián)網(wǎng)應用協(xié)議及數據互認標準研究與試驗驗證”，從工業(yè)互聯(lián)網(wǎng)邊緣計算模型、工業(yè)互聯(lián)網(wǎng)數據統一語(yǔ)義模型、工業(yè)互聯(lián)網(wǎng)互聯(lián)互通信息安全要求等7個(gè)方面對工業(yè)互聯(lián)網(wǎng)智能制造邊緣計算標準的制定進(jìn)行了探索；2018年，工信部工業(yè)互聯(lián)網(wǎng)創(chuàng )新發(fā)展工程系列項目中，針對工業(yè)互聯(lián)網(wǎng)邊緣計算，專(zhuān)門(mén)設立了“工業(yè)互聯(lián)網(wǎng)邊緣計算測試床”、“工業(yè)互聯(lián)網(wǎng)邊緣計算基礎標準和試驗驗證”等8個(gè)項目； 在2018年度科技部國家重點(diǎn)研發(fā)計劃“網(wǎng)絡(luò )協(xié)同制造和智能工廠(chǎng)”重點(diǎn)專(zhuān)項中，專(zhuān)門(mén)針對邊緣計算設置了“工業(yè)互聯(lián)網(wǎng)邊緣計算節點(diǎn)設計方法與技術(shù)”、“典型行業(yè)裝備運行服務(wù)平臺及智能終端研制”、“基于開(kāi)放架構的云制造關(guān)鍵技術(shù)與平臺研發(fā)”等多個(gè)項目。

2.2 邊緣端智能化方法

機器智能已成為各種應用的核心屬性，但是大部分深度學(xué)習算法僅限于在云中心執行。近年來(lái)，多個(gè)邊緣端設備的機器學(xué)習包陸續發(fā)布，被用于將計算卸載到邊緣端設備上執行[8~10]。

Zhang等[11]對最近發(fā)布的用于邊緣端設備的機器學(xué)習包進(jìn)行了性能比較評估，使用戶(hù)能夠為邊緣端選擇一組合適的邊緣設備和軟件，將計算卸載到邊緣端設備上執行。在云邊協(xié)作學(xué)習方面，目前研究主要集中在借助在線(xiàn)學(xué)習和其他學(xué)習方法結合的學(xué)習技術(shù)實(shí)現邊緣節點(diǎn)智能的動(dòng)態(tài)升級。Zhao等[12]最早提出了在線(xiàn)遷移學(xué)習的概念，在線(xiàn)遷移學(xué)習是一種動(dòng)態(tài)遷移學(xué)習的策略，該學(xué)習算法的核心思想是將離線(xiàn)訓練好的模型隨流數據在線(xiàn)遷移，模型能很好地適應數據的變化。Sahoo等[13]提出了在線(xiàn)學(xué)習和深度學(xué)習結合的學(xué)習算法，該算法為深度學(xué)習在線(xiàn)更新提供了理論基礎。Xu等[14]針對邊緣計算場(chǎng)景中邊緣資源調度優(yōu)化的具體問(wèn)題設計了在線(xiàn)學(xué)習和強化學(xué)習結合的方法，該算法為邊緣節點(diǎn)自適應環(huán)境升級智能提供了理論指導和現實(shí)樣例。在最新的智能升級研究中，Yazici等[15]在嵌入式設備上做實(shí)驗，同時(shí)運行隨機森里、多層感知積和支持向量機等機器學(xué)習算法的訓練和推理，并比較了三個(gè)算法在訓練和推理階段的效率和能耗，最后探討了運行深度學(xué)習算法訓練和推理的方向。

目前，邊緣計算中決策問(wèn)題的研究大多集中在邊緣側資源受限情況下的獨立決策，如何在工業(yè)生產(chǎn)過(guò)程中實(shí)現適應場(chǎng)景變化的個(gè)性化邊緣決策仍然是一個(gè)開(kāi)發(fā)問(wèn)題，需要探索適應不同邊緣設備與網(wǎng)絡(luò )特征的學(xué)習機制、學(xué)習任務(wù)部署策略以及基于學(xué)習的實(shí)時(shí)決策方法， 為工業(yè)物聯(lián)網(wǎng)場(chǎng)景中通過(guò)云邊協(xié)作學(xué)習提供工業(yè)設備與生產(chǎn)的智能化新思路和新方法。

2.3 邊緣計算平臺

目前，無(wú)論是學(xué)術(shù)界還是工業(yè)界都已經(jīng)構建了多個(gè)邊緣計算平臺，并制定了相應的標準。邊緣計算相關(guān)標準ETSI對邊緣決策的典型的應用場(chǎng)景作了詳細的規范和描述，包括智能移動(dòng)視頻加速、監控視頻流分析、增強現實(shí)、密集計算輔助、車(chē)聯(lián)網(wǎng)、IoT、網(wǎng)關(guān)服務(wù)以及企業(yè)專(zhuān)網(wǎng)應用。

Willis等支持在無(wú)線(xiàn)網(wǎng)關(guān)上動(dòng)態(tài)安裝第三方服務(wù)的多租戶(hù)平臺ParaDrop[16]，通過(guò)虛擬化實(shí)現物理設備、邊緣計算設備和云計算中心計算資源的有機結合和靈活分配的PCloud框架[17]，以及支持云-端任務(wù)動(dòng)態(tài)遷移的 ECHO平臺等。Tang等[18]提出了一種以智慧城市為背景的大數據分析框架，對處理在地理上廣泛分布的數據有很好的效果。其中使用邊緣計算技術(shù)構建的邊緣計算平臺充分利用數據傳輸路徑上的計算設備，保證了分析框架的高效運行，減少了需要上傳到云中的數據量，是整個(gè)框架高效運行的關(guān)鍵。美國里海大學(xué)與IBM提出了一個(gè)基于深度學(xué)習的自適應物體識別框架DeepCham[19]，該框架適用于移動(dòng)設備上的物體識別 應用，可以大幅提高物體識別的準確率，其中邊緣計算模式可以在一定程度上減小對模型適用范圍的要求，也為深度學(xué)習收集大量特定的學(xué)習數據，訓練更加個(gè)性化的識別模型。CMU與Intel實(shí)驗室在2014年開(kāi)發(fā)了一個(gè)基于增強現實(shí)技術(shù)的認知輔助系統[20]，通過(guò)谷歌眼鏡 來(lái)增強某些病人的認知能力，實(shí)現系統需要解決的關(guān)鍵問(wèn)題是如何將處理任務(wù)的延遲控制在幾十毫秒，讓感知缺陷的病人也擁有正常人一樣的反應速度。系統使用了邊緣計算技術(shù)，將延遲敏感的計算任務(wù)卸載到附近的Cloudlet來(lái)降低任務(wù)的處理延遲。

3 工業(yè)互聯(lián)網(wǎng)邊緣計算待解決關(guān)鍵問(wèn)題

工業(yè)互聯(lián)網(wǎng)邊緣計算正在蓬勃發(fā)展，但幾個(gè)關(guān)鍵問(wèn)題尚未完全解決。目前，對邊緣計算的方法研究大多側重于如何通過(guò)算法或模型硬件化方式增強邊緣節點(diǎn)的處理能力[21]，而對如何通過(guò)邊緣節點(diǎn)之間以及邊 緣節點(diǎn)和云中心合作的方式提高應用效能的研究還處于起步階段[22]。如圖2所示，邊緣計算的基本思想是將 實(shí)時(shí)性要求高的分析和決策功能下沉至網(wǎng)絡(luò )邊緣側， 以此提升“感知-分析-決策-控制”一體化系統的實(shí)時(shí)性。這種方式雖然能夠有效提升系統的實(shí)時(shí)性，但同時(shí)帶來(lái)了一系列問(wèn)題：

（1）缺乏邊緣一體化計算的理論基礎：在邊緣計算模式中，邊緣計算系統成為兼有離散事件和連續變量等運行機制的混雜系統，網(wǎng)絡(luò )動(dòng)態(tài)性、測量噪聲等問(wèn)題將引發(fā)系統的不確定性；同時(shí)工業(yè)互聯(lián)網(wǎng)場(chǎng)景中任務(wù)常存在高并發(fā)的特點(diǎn)，同一時(shí)隙內可能存在多個(gè)事件，一體化模型計算結果確定性難以保證。

（2）缺乏高效的邊緣側資源管理和任務(wù)調度方法：邊緣計算模式的核心是將分析和決策功能下沉至網(wǎng)絡(luò )邊緣側。邊緣側計算資源和網(wǎng)絡(luò )資源的限制，僅將實(shí)

時(shí)性要求高的分析和決策功能下沉，以此實(shí)現云邊協(xié)同計算；同時(shí)邊緣計算需要對邊緣側資源進(jìn)行高效管理和優(yōu)化，以此提升系統的實(shí)時(shí)性。但目前尚缺乏高效的邊緣側資源管理和任務(wù)調度方法。

（3）邊緣側設備資源有限，難以獨立完成復雜計算任務(wù)：受限于現有芯片的處理能力及邊緣側存儲設備發(fā)展水平，目前，邊緣設備仍然難以獨立完成復雜的數據處理與分析需求。在工業(yè)互聯(lián)網(wǎng)實(shí)際生產(chǎn)環(huán)境中，如何融合云和邊緣側計算資源，有效形成生產(chǎn)場(chǎng)景驅動(dòng)的自適應學(xué)習方法以支持邊緣個(gè)性化決策仍然是一個(gè)開(kāi)放的研究問(wèn)題。

4 總結

工業(yè)互聯(lián)網(wǎng)時(shí)代正在逐步開(kāi)啟，無(wú)論是在技術(shù)還是產(chǎn)業(yè)應用方面，都有巨大的發(fā)展空間，而邊緣計算為解決工業(yè)互聯(lián)網(wǎng)的數據分析和實(shí)時(shí)控制提供了有效手段。本文回顧了工業(yè)互聯(lián)網(wǎng)邊緣計算的發(fā)展歷程極其重要意義，并闡述了現階段的研究現狀和待解決的關(guān)鍵問(wèn)題。希望本文對工業(yè)互聯(lián)網(wǎng)邊緣計算相關(guān)研究具有一定參考價(jià)值。

★基金項目：本文獲得國家重點(diǎn)研發(fā)計劃（2018YFB1700200），國家自然科學(xué)基金遼寧聯(lián)合基金（U1908212）項目資助。

作者簡(jiǎn)介：

孫海倫（1994-），男，助理研究員，碩士，現就職于中國科學(xué)院沈陽(yáng)自動(dòng)化研究所，研究方向為邊緣計算。

宋純賀（1981-），男，研究員，博士生導師，博士， 現就職于中國科學(xué)院沈陽(yáng)自動(dòng)化研究所，研究方向為邊緣計算。

于詩(shī)矛（1991-），男，助理研究員，碩士，現就職于中國科學(xué)院沈陽(yáng)自動(dòng)化研究所，研究方向為邊緣計算。

曾 鵬（1976-），男，研究員，博士，現任中國科學(xué)院沈陽(yáng)自動(dòng)化研究所所長(cháng)助理，研究方向為工業(yè)互聯(lián)網(wǎng)、邊緣計算。

參考文獻：

[1] Emiliano Sisinni, Abusayeed Saifullah, Song Han, Ulf Jennehag, Mikael Gidlund. Industrial Internet of Things: Challenges,

Opportunities, and Directions[J]. IEEE Transactions on Industrial Informatics, 14 (11) : 4724 - 4734, 2018.

[2] 施巍松, 孫輝, 曹杰, 張權偉. 邊緣計算：萬(wàn)物互聯(lián)時(shí)代新型計算模型[J]. 計算機研究與發(fā)展, 54 (5) : 907 - 924, 2017.

[3] Satyanarayanan, M. The Emergence of Edge Computing[J]. IEEE Computer, 2017, 50 (1) : 30 - 39.

[4] Liangkai Liu, Xingzhou Zhang, Mu Qiao, Weisong Shi. SafeShareRide: Edgebased Attack Detection in Ridesharing Services[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[5] Shanhe Yi, Zijiang Hao, Qingyang Zhang, Quan Zhang, Weisong Shi, Qun Li. LAVEA: Latency-aware Video Analytics on Edge Computing Platform[C]. In Proceedings of 2nd ACM/IEEE Symposium on Edge Computing (SEC), San Jose, 2017.

[6] Youdong Chen, Qiangguo Feng, Weisong Shi. An Industrial Robot System Based on Edge Computing: An Early Experience[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[7] Atyanarayanan, M. Edge Computing for Situational Awareness[C]. In Proceedings of the IEEE International Symposium on Local and Metropolitan Area Networks, Osaka, Japan, 2017.

[8] Tianqi Chen, Mu Li, Yutian Li, Min Lin, Naiyan Wang, Min-jie Wang, Tianjun Xiao, Bing Xu, Chiyuan Zhang, Zheng Zhang. Mxnet: A flexible and efficient machine learning library for heterogeneous distributed systems[J]. arXiv preprint:1512.01274, 2015.

[9] Caffe2: A new lightweight, modular, and scalable deep learning framework[EB/OL]. https://caffe2.ai/, 2018.

[10] Introduction to tensorflow lite[EB/OL]. https://vimsky.com/article/3710.html, 2018.

[11] Xingzhou Zhang, Yifan Wang, Weisong Shi. pCAMP: Performance Comparison of Machine Learning Packages on the Edges[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[12] Peilin Zhao. OTL: A Framework of Online Transfer Learning[C]. In Proceedings of the 27th International Conference on Machine Learning, 2010 : 76 - 102.

[13] Doyen Sahoo, Quang Pham, Jing Lu, Steven C. H. Hoi. Online Deep Learning: Learning Deep Neural Network on the Fly[C]. In Proceedings of the 27th International Joint Conference on Artificial Intelligence, 2018, 2660 - 2666.

[14] Jie Xu, Lixing Chen, Shaolei Ren. Online Learning for Offloading and Autoscaling in Energy Harvesting Mobile Edge Computing[J]. IEEE Transactions on Cognitive Communications and Networks, 2017, 3 (3) : 361 - 373.

[15] Mahmut Taha Yazici, Shadi Basurra, Mohamed Medhat Gaber. Edge Machine Learning: Enabling Smart Internet of Things Applications[J]. Big Data and Cognitive Computing, 2018: 1 - 17.

[16] Willis D, Dasgupta A, Banerjee S. ParaDrop: A Multi-tenant Platform to Dynamically Install Third Party Services on Wireless Gateways[C]. In Proceedings of ACM Workshop on Mobility in the Evolving Internet Architecture. ACM, 2014 : 43 - 48.

[17] Jang M, Schwan K, Bhardwaj K, et al. Personal clouds: Sharing and Integrating Networked Resources to Enhance End User Experiences[C]. In Proceedings of IEEE INFOCOM, 2014 : 2220 - 2228.

[18] Tang Bo, Chen Zhen, Hefferman G, et al. A Hierarchical Distributed Fog Computing Architecture for Big Data Analysis in Smart Cities[C]. In Proceedings of the 15th ASE Big Data & Social Informatics 2015. New York : ACM, 2015 : 135 – 143.

[19] Li Dawei, Salonidis T, Desai N V, et al. DeepCham: Collaborative Edge-mediated Adaptive Deep Learning for Mobile Object Recognition[C]. In Proceedings of the 1st IEEE / ACM Symp on Edge Computing. Piscataway, NJ : IEEE , 2016 : 64 – 76.

[20] Ha K, Chen Zhuo, Hu Wenlu, et al. Towards Wearable Cognitive Assistance[C]. In Proceedings of the 12th International Conference on Mobile Systems, Applications, and Services. New York : ACM , 2014 : 68 – 81.

[21] Juseong Lee, Hoyoung Tang, Jongsun Park. Energy Efficient Canny Edge Detector for Advanced Mobile Vision Applications[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2018, 28 (4) : 1037 - 1046.

[22] Qingyang Zhang, Quan Zhang, Weisong Shi, Hong Zhong. Distributed Collaborative Execution on the Edges and Its Application on AMBER Alerts[J]. IEEE Internet of Things Journal, 2018, 14 (8) : 1 - 14.

摘自《自動(dòng)化博覽》2021年2月刊